淺談機器的學(xué)習(xí)方法
篇一：機器學(xué)習(xí)的方法
【摘 要】本文以什么是機器學(xué)習(xí)、機器學(xué)習(xí)的發(fā)展歷史和機器學(xué)習(xí)的主要策略這一線索，對機器學(xué)習(xí)進行系統(tǒng)性的描述。接著，著重介紹了流形學(xué)習(xí)、李群機器學(xué)習(xí)和核機器學(xué)習(xí)三種新型的機器學(xué)習(xí)方法，為更好的研究機器學(xué)習(xí)提供了新的思路。
【關(guān)鍵詞】機器學(xué)習(xí)；人工智能；李群機器學(xué)習(xí)；核機器學(xué)習(xí)；流形學(xué)習(xí)
計算機視覺是指用計算機實現(xiàn)人的視覺功能，希望能根據(jù)感知到的圖像( 視頻) 對實際的目標(biāo)和場景內(nèi)容做出有意義的判斷如何能正確識別目標(biāo)和行為非常關(guān)鍵，其中一個最基本的和最核心的問題是對圖像的有效表達 如果所選的表達特征能夠有效地反映目標(biāo)和行為的本質(zhì)，那么對于理解圖像就會取得事半功倍的效果 正因為如此，關(guān)于機器學(xué)習(xí)的發(fā)展歷史 特征的構(gòu)建和選取一直得到廣泛關(guān)注 近些年來人們已構(gòu)建出許多特征，并且得到了廣泛的應(yīng)用，例如等等 設(shè)計特征是一種利用人類的智慧和先驗知識，并且將這些知識應(yīng)用到目標(biāo)和行為識別技術(shù)中的很好的方式 但是，如果能通過無監(jiān)督的方式讓機器自動地從樣本中學(xué)習(xí)到表征這些樣本的更加本質(zhì)的特征則會使得人們更好地用計算機來實現(xiàn)人的視覺功能，因此也是近些年人們關(guān)注的一個熱點方向 深度學(xué)習(xí)( deeplearning) 的目的就是通過逐層的構(gòu)建一個多層的網(wǎng)絡(luò)來使得機器能自動地學(xué)習(xí)到反映隱含在數(shù)據(jù)內(nèi)部的關(guān)系，從而使得學(xué)習(xí)到的特征更具有推廣性和表達力本文旨在向讀者介紹深度學(xué)習(xí)的原理及它在目標(biāo)和行為識別中的最新動態(tài)，希望吸引更多的研究者進行討論，并在這一新興的具有潛力的視覺領(lǐng)域做出更好的成果 首先對深度學(xué)習(xí)的動機歷史以及應(yīng)用進行了概括說明; 主要介紹了基于限制玻爾 茲曼機的深度學(xué)習(xí)架構(gòu)和基于自編碼器的深度學(xué)習(xí)架構(gòu)，以及深度學(xué)習(xí)
近些年的進展，主要討論了去噪自編碼器( denoisingautoencoder)，卷積限制玻爾茲曼機，三元因子玻爾茲曼機( 3-way factorizedBoltzmannmachine)，以及神經(jīng)自回歸分布估計器( NADE) 等一些新的深度學(xué)習(xí)單元; 對目前深度學(xué)習(xí)在計算機視覺中的一些應(yīng)用以及取得的成果進 行介紹; 最后，對深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的關(guān)系，深度學(xué)習(xí)的本質(zhì)等問題加以討論，提出目前深度學(xué)習(xí)理論方面需要解決的主要問題
1機器學(xué)習(xí)的發(fā)展歷程
機器學(xué)習(xí)的發(fā)展大致可以分為四個階段.
第一階段：20世紀(jì)50年代中葉至60年代中葉這個時期是機器學(xué)習(xí)研究的熱烈時代 研究對象是沒有知識的學(xué)習(xí)，目標(biāo)是各自組織和適應(yīng)系統(tǒng)此階段有兩個代表，一是1957年Rosenblatt提出了感知機算法，這是第一個具有重要學(xué)術(shù)意義的機器學(xué)習(xí)的算法 二是50年代末，Samuel編寫了跳棋程序，利用啟發(fā)式搜索技術(shù)，可以從經(jīng)驗和棋譜中進行學(xué)習(xí)，不斷調(diào)整棋盤評價函數(shù)，提高棋藝.
第二階段：20世紀(jì)60年代中葉至70年代中葉，機器學(xué)習(xí)的冷靜時期本階段是模擬人類的學(xué)習(xí)過程，采用邏輯結(jié)構(gòu)或圖結(jié)構(gòu)作為內(nèi)部描述 代表有：1969年Minsky與Papert出版的對機器學(xué)習(xí)研究有深遠影響的著作<感知機>一書.
第三階段：20世紀(jì)70年代中葉至80年代中葉，稱為復(fù)興時期在這個時期，人們從學(xué)習(xí)單一概念延伸至學(xué)習(xí)的多個概念，探索不同的學(xué)習(xí)策略和各種學(xué)習(xí)方法在此階段中，研究
者已經(jīng)將機器學(xué)習(xí)系統(tǒng)與現(xiàn)實應(yīng)用相結(jié)合，完成相應(yīng)的學(xué)習(xí)過程，取得了很大的成功1980年，在美國召開的第一屆機器學(xué)習(xí)國際研討會，標(biāo)志著機器學(xué)習(xí)在全世界范圍內(nèi)的全面興起.
第四階段：1986年至今 由于作為機器學(xué)習(xí)科學(xué)基礎(chǔ)之一的神經(jīng)科學(xué)研究的重新興起，機器學(xué)習(xí)也進一步受到了人們的重視另一方面，對實驗研究和應(yīng)用研究得到前所未有的重視.
2.1 機械學(xué)習(xí)
機械學(xué)習(xí)是一種最基本的學(xué)習(xí)策略，把環(huán)境提供的信息簡單存儲起來，不經(jīng)過任何推理，“死記硬背”式的學(xué)習(xí)。適合于一些環(huán)境相對穩(wěn)定，輸入輸出模式相對固定的系統(tǒng)中，例如醫(yī)生給病人看病。
2.2 傳授學(xué)習(xí)
傳授學(xué)習(xí)又叫做指導(dǎo)式學(xué)習(xí)或示教學(xué)習(xí)。傳授學(xué)習(xí)的學(xué)習(xí)過程可以簡單地描述如下：（1）請求：先向指導(dǎo)者請求提出建議；（2）解釋：接受建議并將其轉(zhuǎn)化為內(nèi)部表示形式；（3）操作化：將解釋后的建議轉(zhuǎn)化為具體的知識；（4）歸并：將得到的新知識歸并到知識庫中；（5）評價：對新知識進行評價，常用方法有，檢查新知識與知識庫里的知識是否矛盾，或者使 用新知識執(zhí)行某些任務(wù)，觀察其執(zhí)行情況。
2.3 演繹學(xué)習(xí)
演繹學(xué)習(xí)以演繹推理為基礎(chǔ)。演繹推理是一種有一般到個別的推理方法，其核心是三段論。例如，1動物都會死亡；2狗是一種動物；3狗會死亡。只要對給定的知識進行演繹的保真推理，就能得出一個正確的新結(jié)論，然后把有價值的結(jié)論存儲起來。
2.4 歸納學(xué)習(xí)
歸納學(xué)習(xí)以歸納推理為基礎(chǔ)。從某個概念的一系列正例和反例中歸納出一個一般的概念描述。歸納學(xué)習(xí)可分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。有導(dǎo)師學(xué)習(xí)，又稱示例學(xué)習(xí)。給學(xué)習(xí)系統(tǒng)提供正例和反例，學(xué)習(xí)系統(tǒng)通過歸納算法求解出一個總的概念描述。無導(dǎo)師學(xué)習(xí)，又稱觀察與發(fā)現(xiàn)學(xué)習(xí)。通過由環(huán)境提供的觀察來進行學(xué)習(xí)，而且這些觀察是未經(jīng)過知道者分類的例子。
2.5 類比學(xué)習(xí)
類比學(xué)習(xí)是一種利用相似性來認識新事物的學(xué)習(xí)方式，其基礎(chǔ)是類比推理�？梢钥醋魇茄堇[學(xué)習(xí)和歸納學(xué)習(xí)的組合學(xué)習(xí)形式。
學(xué)習(xí)過程：
�。�1）聯(lián)想搜索匹配：提取特征值，搜索和它相似的已知事物；
�。�2）檢驗相似程度：判斷相似程度，相似程度達到一定閾
值，則說明匹配成功；
�。�3）修正變換求解：即類比映射，把對已知事物的有關(guān)知
識進行適當(dāng)?shù)恼{(diào)整或變換，以求出新事物的解；
�。�4）更新知識庫：求出新事物的解以后，將新事物及其解
并入知識庫。
3 機器學(xué)習(xí)方法
3.1 流形學(xué)習(xí)
現(xiàn)實世界中的數(shù)據(jù)，例如語音信號、數(shù)字圖像或功能性磁共振圖像等，通常都是高維數(shù)據(jù)，為了正確地了解這些數(shù)據(jù)，我們就需要對其進行降維，降維的目的就是要找出隱藏在高維數(shù)據(jù)中的低維結(jié)構(gòu)。流形學(xué)習(xí)是一種新的數(shù)據(jù)降維方法，能揭示數(shù)據(jù)的內(nèi)在變化規(guī)律，其目標(biāo)是發(fā)現(xiàn)嵌入在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu)，并給出一個有效的低維表示。2000年以來，流形學(xué)習(xí)在包括數(shù)據(jù)挖掘、機器學(xué)習(xí)、計算機視覺等多個研究領(lǐng)域得到了廣泛的應(yīng)用。
3.2 李群機器學(xué)習(xí)
李群機器學(xué)習(xí)（Lie Group Machine Learning，LML）作為機器學(xué)習(xí)領(lǐng)域的一種新的學(xué)習(xí)方法，一方面繼承流形學(xué)習(xí)的優(yōu)點，另一方面借用李群的思想，形成了具有創(chuàng)新特色的學(xué)習(xí)范式．自2004年提出至今，已引起加拿大、愛爾蘭、芬蘭、意大利、美國等國內(nèi)外同行的廣泛關(guān)注。李群結(jié)構(gòu)是目前學(xué)術(shù)界公認的對學(xué)習(xí)問題研究很有用的一套理論工具。從數(shù)據(jù)分析的角度來說，用機器學(xué)習(xí)進行數(shù)據(jù)分析（數(shù)據(jù)挖掘），其目的就是揭示這些數(shù)據(jù)具有的規(guī)律，從而幫助用戶提供解釋的依據(jù)。李群一方面具有好的數(shù)學(xué)結(jié)構(gòu)，另一方面物理學(xué)家廣泛使用李群方法來處理物理學(xué)中復(fù)雜數(shù)據(jù)的啟發(fā)。因此，引進李群理論對機器學(xué)習(xí)是一種可以探索的新思路。
3.3 核機器學(xué)習(xí)
20世紀(jì)90年代初隨著統(tǒng)計學(xué)習(xí)理論的完善和線性超平面函數(shù)集容量控制方法的發(fā)現(xiàn)，提出了著名的支撐矢量機方法（SVMs）。隨后，以支撐矢量機為核心算法的核機器（KM）方法和Fisher判斷分析（FDA）方法得到了機器學(xué)習(xí)、模式識別、網(wǎng)絡(luò)搜索引擎技術(shù)、計算機視覺等等領(lǐng)域的廣泛關(guān)注。核機器方法以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，巧妙利用了Mercer核技巧，使其獲得了良好的推廣能力、強大的非線性處理能力、靈活的相似性測度定義和簡潔的模型表示，是目前在特征提取、模式識別、數(shù)據(jù)發(fā)掘領(lǐng)域公認的具有最佳性能的方法之一。
4.1基于限制玻爾茲曼機的深度學(xué)習(xí)架構(gòu)
玻爾茲曼機( Boltzmannmachine)本質(zhì)上是一種能量模型 能量模型是指對于參數(shù)空間( configurationspace) 中每一種情況均有一個標(biāo)量形式的能量與之對應(yīng) 能量函數(shù)就是從參數(shù)空間到能量的映射函數(shù)，人們希望通過學(xué)習(xí)使得能量函數(shù)有符合要求的性質(zhì) 從結(jié)構(gòu)上來說，玻爾茲曼機是雙層無向全連通圖，如圖3所示 為了方便起見，這里僅討論觀測變量和隱變量均是0 1變量的情況
玻爾茲曼機的能量函數(shù)為E( x，h) =－b'x－c'h－h(huán)'Wx－x'Ux－h(huán)'Vh ( 1)式中，x表示可見層，h表示隱層，b {0，1}K，c{0，1}D分別表示可見層和隱層單元的偏置( offset) ， KD分別表示可見層和隱層單元的數(shù)目 WUV分別表示觀測層和隱層之間，觀測層變量之間，隱層變量之間的連接權(quán)重矩陣在實際中，由于計算樣本概率密度時歸一化因子的存在，需要使用馬爾可夫蒙特卡洛方法( MCMC)來對玻爾茲曼機進行優(yōu)化 但是MCMC方法收斂速度很慢，因此人們提出限制玻爾茲曼機和對比散度方法來解決這一問題.
4.2限制玻爾茲曼機
限制玻爾茲曼機是對全連通的玻爾茲曼機進行簡化，其限制條件是在給定可見層或者隱層中的其中一層后，另一層的單元彼此獨立，即式( 1) 中U和V矩陣中的元素均等于0 層間單元獨立的條件是構(gòu)成高效的訓(xùn)練限制玻爾茲曼機的方法的條件之 一，而ＲBM也因此成為深度置信網(wǎng)絡(luò)( DBN)的構(gòu)成單元 限制玻爾茲曼機的圖模型如圖4所示 可見，層內(nèi)單元之間沒有連接關(guān)系，層間單元是全連接關(guān)系
將式( 1) 中層間連接矩陣U，V置零，得到限制玻爾茲曼機的能量函數(shù)E( x，h) =－b'x－c'h－h(huán)'Wx 由于限制玻爾茲曼機取消了層內(nèi)單元之間的連接，所以可以將其條件概率分布進行分解，這樣就簡化了模型優(yōu)化過程中的運算 但是在其優(yōu)化過程中仍然需要基于MCMC方法的吉布斯采樣，訓(xùn)練過程仍然十分漫長，因此人們提出對比散度方法來加快模型優(yōu)化. 對比散度( contrastivedivergence) 是Hinton在2006年提出來的快速地訓(xùn)練限制玻爾茲曼機的方法，該方法在實踐中得到廣泛的應(yīng)用 對比散度主要是將對數(shù)似然函數(shù)梯度的求解進行了兩個近似:
(1) 使用從條件分布中得到的樣本來近似替代計算梯度時的平均求和這是因為在進行隨機梯度下降法進行參數(shù)優(yōu)化時已經(jīng)有平均的效果，而如果每次計算都進行均值求和則這些效果會相互抵消，而且會造成很大的計算時間的浪費
(2) 在進行吉布斯采樣( Gibbs sampling) 時只采用一步，即僅僅進行一次吉布斯采樣這種一次吉布斯采樣方法會使得采樣得到的樣本分布與真實分布存在一定的誤差 但是實踐發(fā)現(xiàn)，如果僅作一次迭代的話，就已經(jīng)能得到令人滿意的結(jié)果將限制玻爾茲曼機逐層疊加，就構(gòu)成了深度置信網(wǎng)絡(luò)( DBN) 在深度置信網(wǎng)絡(luò)中底層的輸出作為上一層的輸入，每層是一個限制
玻爾茲曼機，使用對比散度的方法單獨訓(xùn)練 為了達到更好的識別效果，往往還要對深度置信網(wǎng)絡(luò)每層的參數(shù)進行微調(diào)使用限制玻爾茲曼機構(gòu)建成深度網(wǎng)絡(luò)，在一些公開的數(shù)據(jù)集上取得了非常好的效果.
5機器學(xué)習(xí)系統(tǒng)的模型及其特征
5.1 機器學(xué)習(xí)系統(tǒng)的模型
（1） 外部環(huán)境是以某種形式表達的信息或知識的集合，是知識和信息的來源，執(zhí)行的對象和任務(wù) 外部環(huán)境像系統(tǒng)提高信息的質(zhì)量是影響學(xué)習(xí)系統(tǒng)設(shè)計的首要因素。（2）學(xué)習(xí)是將外部環(huán)境提供的信息，加工成為有效信息的過程，它也是學(xué)習(xí)系統(tǒng)的核心，包括采集信息接受監(jiān)督指導(dǎo)學(xué)習(xí)推理修改知識庫等其他功能。（3）知識庫是影響學(xué)習(xí)系統(tǒng)設(shè)計的第二大因素，根據(jù)知識的不同，選擇不同的表達方式，兼顧表達能力強易于推理易于修改知識庫和知識表示易于擴展等幾方面，均是知識庫在表達上需要符合的要求。（4）執(zhí)行是利用知識庫完成某種任務(wù)，并進行識別論證決策判定，將獲得的信息進行反饋，以修正和完善下一步的學(xué)習(xí)。
5.2 機器學(xué)習(xí)系統(tǒng)的重要特征
機器學(xué)習(xí)系統(tǒng)通常具有如下重要特征：（1）目的性系統(tǒng)知道學(xué)習(xí)什么，學(xué)習(xí)的行為具有高度的目的性。（2）結(jié)構(gòu)性系統(tǒng)能修改和完善知識結(jié)構(gòu)和組織形式。（3）有效性系統(tǒng)學(xué)習(xí)到的知識具有適應(yīng)和符合實踐的能力，能夠?qū)ο到y(tǒng)性能的改善起到正面的作用。（4）開放性系統(tǒng)在與環(huán)境進行信息交互的過程中，能使自身不斷進化。
6.機器學(xué)習(xí)策略
對于環(huán)境提供信息，機器要運用一定的學(xué)習(xí)策略轉(zhuǎn)換為知識，并存儲在知識庫中，為下一步的執(zhí)行作保證根據(jù)策略使用推理的多少和難易程度，學(xué)習(xí)策略可以分為四類： 1機械學(xué)習(xí)
這種學(xué)習(xí)策略，無需任何推理過程或計算轉(zhuǎn)換過程，可以直接將環(huán)境提供的信息進行存儲該學(xué)習(xí)系統(tǒng)主要考慮三個方面：第一：存儲組織的形式利于檢索在采用機械學(xué)習(xí)的系統(tǒng)中，主要采用的是索引存儲的方式，在這種情況下，只有檢索一個項目比重新分析計算更加快捷，這種學(xué)習(xí)策略才具有一定的意義 采用適當(dāng)?shù)拇鎯M織形式，最大限度地提高檢索效率，縮短檢索時間，是機械學(xué)習(xí)要解決的重大問題第二：環(huán)境穩(wěn)定存儲信息適用性高因為系統(tǒng)不需要對信息做過多的加工，學(xué)習(xí)部分沒有推理的過程，這對于環(huán)境的依賴程度就大大提高要求環(huán)境具有高度的穩(wěn)定性系統(tǒng)的學(xué)習(xí)是通過事先編好的程序獲得，是建立在這次獲得的知識適用于下次的情況的假設(shè)上的，如果環(huán)境變化的過于頻繁，每次存的知識都不能適用，這種策略也就失去其意義第三：權(quán)衡存儲和計算之間的關(guān)系學(xué)習(xí)的目的是改進系統(tǒng)的效率，如果檢索比重新計算來的慢，那么就降低了系統(tǒng)的執(zhí)行力 機械學(xué)習(xí)也就失去了意義。
2歸納學(xué)習(xí)
歸納推理是由環(huán)境提供足夠多的實例或反例，應(yīng)用歸納的方法，得出一般性的規(guī)律或?qū)τ诟拍畹囊话阈缘拿枋鲞@是一個從個別到一般的過程歸納學(xué)習(xí)可以獲得新的概念，創(chuàng)立新的規(guī)則，發(fā)現(xiàn)新的理論 其原理是在大量觀察的基礎(chǔ)上通過假設(shè)形成一個科學(xué)理論 按其有無教師的指導(dǎo)，可以分為示例學(xué)習(xí)及觀察與發(fā)現(xiàn)學(xué)習(xí)示例學(xué)習(xí)，又稱為概念獲取 確定概念的一
篇二：機器學(xué)習(xí)方法及應(yīng)用研究
摘要：本文介紹了機器博弈技術(shù)，給出了提升計算機的智能程度是研究機器博弈技術(shù)的重點。設(shè)計了五子棋游戲算法，由于算法設(shè)計決定了計算機的智能程度，該算法沒有用到機器學(xué)習(xí)，計算機不具有智能。分析了卡斯帕羅夫和“深藍”的不同特點，給出了“深藍”戰(zhàn)勝世界冠軍的啟示，只有利用機器學(xué)習(xí)技術(shù)開發(fā)的具備學(xué)習(xí)能力的計算機才具有智能。
關(guān)鍵詞：機器博弈，機器學(xué)習(xí)，智能0、引言
很早人類就有制造機器人的幻想，例如黃帝的“指南車”，諸葛亮的“木牛流馬”�！度龂萘x》中諸葛亮發(fā)明的運輸工具稱為“木牛流馬”，解決了川山山區(qū)軍糧運輸?shù)碾y題。根據(jù)文獻，諸葛亮最具有實物性質(zhì)的智慧結(jié)晶就是“木牛流馬”。
機器博弈既可以是計算機與計算機之間的博弈，也可以是計算機與人類之間的博弈。諸如戰(zhàn)爭、競技、下棋、打牌等一類競爭性智能活動稱為博弈[1]。 1、“深藍”戰(zhàn)勝世界冠軍
1997年5月，美國IBM公司的“深藍”超級計算機首次擊敗國際象棋男子世界冠軍卡斯帕羅夫。表1給出了卡斯帕羅夫和“深藍”具有的不同特點。
學(xué)習(xí)是人類獲取知識的重要途徑和自然智能的重要標(biāo)志，機器學(xué)習(xí)則是機器獲取知識的重要途徑和人工智能的重要標(biāo)志[2]�！吧钏{”之所以能擊敗卡斯帕羅夫，最主
______________________
作者簡介：馬健喆，男，(1995,11-)，山西太原人，本科，主要研究方向為信息處理。
要的原因是“深藍”具有較強的學(xué)習(xí)能力和推理能力。
表1卡斯帕羅夫和“深藍”的不同特點
學(xué)習(xí)過程與推理過程密切相關(guān)。按照學(xué)習(xí)中使用推理的多少，機器學(xué)習(xí)所采用的策略總體上可以分為機械學(xué)習(xí)、示教學(xué)習(xí)、示例學(xué)習(xí)和類比學(xué)習(xí)。學(xué)習(xí)中所用的推理越多，系統(tǒng)的能力越強[3,4]。 2、五子棋游戲的設(shè)計
設(shè)計五子棋游戲，實現(xiàn)簡單的五子棋游戲；插入一個下載的棋盤圖片作為自己的棋盤；插入一段音樂實現(xiàn)背景音樂的播放；當(dāng)有輸贏出現(xiàn)時彈出一個顯示戰(zhàn)況的對話框；在菜單欄上添加一個戰(zhàn)況的標(biāo)題，當(dāng)單擊時彈出顯示當(dāng)時戰(zhàn)況的對話框。
五子棋棋局與圍棋相同，棋子分為黑、白兩種顏色，棋盤為19?19，在棋盤線交叉點上放置棋子。計算機與人對局，各執(zhí)一種顏色的棋子，輪流下一子，先將橫、豎或斜線的5個或5個以上同色棋子連成不間斷的一排者為勝。現(xiàn)代五子棋棋盤已標(biāo)準(zhǔn)化為15?15的方格棋盤。
本文采用MFC對話框構(gòu)建五子棋棋盤，直接截取五子棋棋盤圖片作為對話框背景；采用MFC按鈕控件作為五子棋游戲“悔棋”、“音樂”、“戰(zhàn)況”、“重新開始”的選項按鍵；實現(xiàn)五子棋人機對戰(zhàn)，人通過鼠標(biāo)點擊下子；設(shè)計五子棋游戲算法實現(xiàn)計算機的下子點的選擇。
圖1給出了五子棋游戲算法的程序流程圖，具體步驟如下：
圖1五子棋游戲算法的程序流程圖
（1）對局雙方各執(zhí)一種顏色的棋子；
（2）空棋盤開局；
�。�3）玩家（黑方）首先落子，接著計算機（白方）作出決策，落子，交替下子，每次只能下一子；
�。�4）棋子下在棋盤的空白點上，棋子下定后，不得向其它點移動，不得從棋盤上拿掉或拿起另落別處；
�。�5）黑方的第一枚棋子可下在棋盤任意交叉點上；
�。�6）輪流下子是雙方的權(quán)利；
�。�7）連五取勝。在對弈過程中若某一方出現(xiàn)“成五”（“五連”和“多連”的總稱），則判定為勝。若棋盤下滿還沒有勝方，則為平局。
該五子棋游戲算法沒有用到機器學(xué)習(xí)，計算機不具有智能。圖2、圖3分別給出了利用MFC實現(xiàn)五子棋游戲程序的運行結(jié)果。本文設(shè)計實現(xiàn)的五子棋游戲可以根據(jù)個人愛好設(shè)計界面，人機交互方便、簡單。
圖2 五子棋游戲程序的運行結(jié)果
圖3 五子棋游戲程序的運行結(jié)果
算法設(shè)計決定了計算機的智能程度，可用于五子棋計算的算法包括博弈樹、負極大值算法、???算法、置換表技術(shù)、哈希表技術(shù)、歷史啟發(fā)等。怎樣綜合使用各種算法，提升計算機的智能程度是研究機器博弈技術(shù)的重點。 3、結(jié)論
機器學(xué)習(xí)是計算機獲取智能的途徑，本文設(shè)計了五子棋游戲算法，實現(xiàn)了五子棋游戲。下一步工作將機器學(xué)習(xí)方法引入到五子棋游戲的設(shè)計，提高計算機的學(xué)習(xí)能力和推理能力。
篇三：基于機器學(xué)習(xí)的文本分類方法
基于機器學(xué)習(xí)算法的文本分類方法綜述
摘要：文本分類是機器學(xué)習(xí)領(lǐng)域新的研究熱點�；跈C器學(xué)習(xí)算法的文本分類方法比傳統(tǒng)的文本分類方法優(yōu)勢明顯。本文綜述了現(xiàn)有的基于機器學(xué)習(xí)的文本分類方法，討論了各種方法的優(yōu)缺點，并指出了文本分類方法未來可能的發(fā)展趨勢。
1. 引言
隨著計算機技術(shù)、數(shù)據(jù)庫技術(shù)，網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，Internet的廣泛應(yīng)用，信息交換越來越方便，各個領(lǐng)域都不斷產(chǎn)生海量數(shù)據(jù)，使得互聯(lián)網(wǎng)數(shù)據(jù)及資源呈現(xiàn)海量特征，尤其是海量的文本數(shù)據(jù)。如何利用海量數(shù)據(jù)挖掘出有用的信息和知識，方便人們的查閱和應(yīng)用，已經(jīng)成為一個日趨重要的問題。因此，基于文本內(nèi)容的信息檢索和數(shù)據(jù)挖掘逐漸成為備受關(guān)注的領(lǐng)域。文本分類(text categorization，TC)技術(shù)是信息檢索和文本挖掘的重要基礎(chǔ)技術(shù)，其作用是根據(jù)文本的某些特征，在預(yù)先給定的類別標(biāo)記(label)集合下，根據(jù)文本內(nèi)容判定它的類別。傳統(tǒng)的文本分類模式是基于知識工程和專家系統(tǒng)的，在靈活性和分類效果上都有很大的缺陷。例如卡內(nèi)基集團為路透社開發(fā)的Construe專家系統(tǒng)就是采用知識工程方法構(gòu)造的一個著名的文本分類系統(tǒng)，但該系統(tǒng)的開發(fā)工作量達到了10個人年，當(dāng)需要進行信息更新時，維護非常困難。因此，知識工程方法已不適用于日益復(fù)雜的海量數(shù)據(jù)文本分類系統(tǒng)需求
[1]。20世紀(jì)90年代以來，機器學(xué)習(xí)的分類算法有了日新月異的發(fā)展，很多分類器模型逐步被應(yīng)用到文本分類之中，比如支持向量機(SVM，Support Vector Machine)[2-4]、最近鄰法(Nearest Neighbor)[5]、決策樹(Decision tree)[6]、樸素貝葉斯(Naive Bayes)[7]等。逐漸成熟的基于機器學(xué)習(xí)的文本分類方法，更注重分類器的模型自動挖掘和生成及動態(tài)優(yōu)化能力，在分類效果和靈活性上都比之前基于知識工程和專家系統(tǒng)的文本分類模式有所突破，取得了很好的分類效果。
本文主要綜述基于機器學(xué)習(xí)算法的文本分類方法。首先對文本分類問題進行概述，闡述文本分類的一般流程以及文本表述、特征選擇方面的方法，然后具體研究基于及其學(xué)習(xí)的文本分類的典型方法，最后指出該領(lǐng)域的研究發(fā)展趨勢。
2．文本自動分類概述
文本自動分類可簡單定義為：給定分類體系后，根據(jù)文本內(nèi)容自動確定文本關(guān)聯(lián)的類別。從數(shù)學(xué)角度來看，文本分類是一個映射過程，該映射可以是一一映射，也可以是一對多映射過程。文本分類的映射規(guī)則是，系統(tǒng)根據(jù)已知類別中若干樣本的數(shù)據(jù)信息總結(jié)出分類的規(guī)律性，建立類別判別公式或判別規(guī)則。當(dāng)遇到新文本時，根據(jù)總結(jié)出的類別判別規(guī)則確定文本所屬的類別。也就是說自動文本分類通過監(jiān)督學(xué)習(xí)自動構(gòu)建出分類器，從而實現(xiàn)對新的給定文本的自動歸類。文本自動分類一般包括文本表達、特征選取、分類器的選擇與訓(xùn)練、分類等幾個步驟，其中文本表達和特征選取是文本分類的基礎(chǔ)技術(shù)，而分類器的選擇與訓(xùn)練則是文本自動分類技術(shù)的重點，基于機器學(xué)習(xí)的文本分來就是通過將機器學(xué)習(xí)領(lǐng)域的分類算法用于文本分類中來[8]。圖1是文本自動分類的一般流程。
2.1 文本表述
至今，計算機還不能像人類那樣閱讀完文章之后，根據(jù)自身的理解能力對文章的內(nèi)容產(chǎn)生一定的認識。要使計算機能夠高效率、高性能地處理自然文本，就需要有一個文本表示的過程，文本表示是將非結(jié)構(gòu)化的文本文檔表示為機器易于處理的形式的過程。文本表示通常包括文本預(yù)處理和文本模型表示等步驟，其中文本預(yù)處理為建立文本表示模型做必要的準(zhǔn)備工作。具體的文本標(biāo)識方法有很多種模型，如布爾模型、布爾模型性、向量空間模型等。詞包(Bag of Words)表示法是目前文本分類的標(biāo)準(zhǔn)模式。把文本看成是段落的集合，或者是句子的集合，也可以看成是單或字母的集合，而單詞是組成文本的一個基本單位，研究者通常把一個文本當(dāng)作是一系列單詞的集合來表示，即所謂的詞包表示法，它通過特征處理和統(tǒng)計學(xué)習(xí)算法的基礎(chǔ)上獲得對文本語義內(nèi)容及類別信息的估計與預(yù)測。實際應(yīng)用中空間向量模型(vector Space Modal, VSM)是常見的文本表示模型。在這種表示方式中，每篇文檔表示成形如d=的向量，其中ti表示詞條項，wi表示ti在文檔d中的權(quán)值。如圖
2所示是向量空間模型。向量空間模型已經(jīng)在信息檢索、文本分類等應(yīng)用中取得了成功。除VSM外，還有基于概率分布、基于二維視圖等模型。這些非VSM的表示方法需要通過理論以及應(yīng)用實踐上的進一步驗證。
2.2 特征提取
特征提取是在初始全特征集基礎(chǔ)上提取出一個特征子集的過程，能夠起到降低向量空間維數(shù)、簡化計算、防止過擬合作用。首先根據(jù)特征提取算法對特征的重要性進行評估，然后進行重要度排序，最后根據(jù)提取閾值或提取比率完成提取。提取后的特征集將用于之后的訓(xùn)練和分類過程。常用特征提取算法有文檔頻數(shù)(Document Frequency)、信息增益(information Gain)、期望交叉熵(expected cross entropy)、互信息(Mutual Information)、χ2統(tǒng)計等。
3．基于機器學(xué)習(xí)的文本分類方法
3.1 基于樸素貝葉斯法的文本分類
樸素貝葉斯方法是最早用于文本分類的分類器算法，是一種統(tǒng)計學(xué)分類方法，它基于貝葉斯決策論并且基于此項獨立的假設(shè)，幾不同屬性對分類結(jié)果的影響是獨立的。假設(shè)d為待分類文檔的表示向量，它屬于文檔類別集合C={c1,c2,c3,…,cn}中某一類。根據(jù)貝葉斯公式有：
n
P d = P cj P(d|cj)
j=1
P cj|d =P cj P(d|cj)P(d)…,n
其中P cj 表示類別cj在樣本集中的比重，P(d|cj)由概率密度函數(shù)計算得出。分類時，P cj|d 值最大情況對應(yīng)的類別cmax為待分類文檔類別。基于上述假設(shè)的概率分類器一般稱為貝葉斯分類器。貝葉斯分類器容易理解，計算簡單而且比較實用，其分類效果基本能滿足要求，但其關(guān)于詞項獨立性的假設(shè)受到了質(zhì)疑。
3.2 基于決策樹法的文本分類
決策樹學(xué)習(xí)是應(yīng)用最廣泛的歸納推理算法之一，它是一種逼近離散值函數(shù)的方法，對噪聲數(shù)據(jù)有很好的健壯性且能夠?qū)W習(xí)析取表達式。決策樹著眼于從一組無次序無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則，它通過把實例從根結(jié)點排序到某個葉子結(jié)點來分類實例，葉子結(jié)點即為實例所屬的分類。在構(gòu)造分類模型時，樹上的每個結(jié)點指定了對實例屬性集測試后選擇出的屬性，并且該結(jié)點的每一個后繼分支對應(yīng)于該屬性的一個可能值。分類實例的時候，就是從樹的結(jié)點開始，測試這個結(jié)點指定的屬性，然后按照給定實例的該屬性值對應(yīng)的樹枝向下移動，之后在新的'結(jié)點上重復(fù)這個過程直到葉子結(jié)點，即獲得分類。
一般來說，決策樹算法主要圍繞兩大核心問題展開：第一，決策樹的生長問題，即利用訓(xùn)練樣本集，完成決策樹的建立過程；第二，決策樹的剪枝問題，即利用檢驗樣本集對形成的決策樹進行優(yōu)化處理。決策樹的構(gòu)建是一種自上而下、分而治之的歸納過程，本質(zhì)是貪心算法。各種算法建樹的基本過程相似，是一個遞歸的過程。
設(shè)數(shù)據(jù)樣本集為S，算法框架如下：
(1) 如果數(shù)據(jù)樣本集S中所有樣本都屬于同一類或者滿足其他終止準(zhǔn)則，則S不再劃分，
形成葉節(jié)點：
(2) 否則，根據(jù)某種策略選擇一個屬性，按照屬性的各個取值，對S進行劃分，得到n個子樣本集，記為Si，再對每個Si迭代執(zhí)行步驟(1)。
經(jīng)過n次遞歸，最后生成決策樹。從根到葉節(jié)點的一條路徑對應(yīng)著一條規(guī)則，整棵決策樹就對應(yīng)著一組析取表達式規(guī)則。為了防止決策樹和訓(xùn)練樣本集的過度擬合，特別是存在噪聲數(shù)據(jù)或不規(guī)范屬性時更為突出，需要對決策樹進行剪枝。剪枝的算法通常利用統(tǒng)計方法決定是否將一個分支變?yōu)橐粋�節(jié)點。通常采用兩種方法進行決策樹的剪枝，即在決策樹生長過程完成前就進行剪枝的事前修剪法和在決策樹生長過程完成后才進行剪枝的事后修剪法。
決策樹分類算法自提出以來，出現(xiàn)了很多種，早期的是CLS學(xué)習(xí)算法和CART算法，最有影響的是1986年Quinlan提出的ID3算法。ID3算法體現(xiàn)了決策樹分類的優(yōu)點：算法的理論清晰、方法簡單，學(xué)習(xí)能力較強。缺點是：只對比較小的數(shù)據(jù)集有效，且對噪聲比較敏感。在ID3算法的基礎(chǔ)上，Quinlan又發(fā)展了具有重要影響的C4.5算法，它繼承并改進了ID3算法，使用非常廣泛。為了適應(yīng)處理大規(guī)模數(shù)據(jù)集的需要，后來學(xué)者又提出了若干改進的算法，取得了較好的效果。決策樹文本分類法分類精度較好，并且可以很好的抵抗噪聲，但缺點是在處理大規(guī)模數(shù)據(jù)集的情況下效率不高。
3.3 基于K最近鄰法的文本分類
K最近鄰算法(k Nearest Neighbor, KNN)分類算法是傳統(tǒng)的基于統(tǒng)計的模式識別方法，在文本分類領(lǐng)域使用較多。其算法思想是對于一篇待分類文檔，在訓(xùn)練集中找到K個最相近的鄰居。取這K個鄰居的類別為該文檔的候選類別，該文檔與K個鄰居之間的相似度為候選類別的權(quán)重，然后使用設(shè)定的相似度閾值就可以得到該文檔的最終分類。KNN算法也是基于向量空間模型的分類算法之一，最初由Cover和Hart于1968年提出，是一個理論上比較成熟的方法。采用kNN方法進行文檔分類可以定義為：對于給定的文檔集D，把D中所有的文本內(nèi)容形式化為特征空間中的加權(quán)特征向量D，其中向量D表示為D=。對于某一給定的測試文檔d，通過計算它與每個訓(xùn)練文檔的相似度，找出k個最相似的文檔。在此基礎(chǔ)上，給每個文檔類別加權(quán)打分，根據(jù)加權(quán)距離和判斷測試文本所屬的類別。根據(jù)上述表述，可以把KNN文本分類法歸結(jié)為以下步驟：
�、� 根據(jù)各種規(guī)則將文本內(nèi)容變換成文本特征向量。
�、� 根據(jù)相似度公式計算測試文本與每個訓(xùn)練文本的相似度，計算公式如下：
Sim di,dj =2m2 mk=1Wik k=1Wjk mW×W
其中，m是特征向量維數(shù)，K表示近鄰個數(shù)，其具體數(shù)值的確定目前還沒有很好的方法，一般采用先定一個初始值，然后通過實驗測試調(diào)整K值，一般初始值定為幾百到幾千之間，但是要小于訓(xùn)練文檔總數(shù)。
�、� 從(2)的結(jié)果中選出k個相似度最大的訓(xùn)練集文檔，計算分類權(quán)重，計算公式為：
P d,ci = Sim d,dj y dj,ci ?bi
dj?kNN
其中d表示文本特征向量，y dj,ci ? 0,1 ，即如果文檔屬于該類別值為l，反之為0。bi為閾值，對于某一特定類來說，bi是一個有待優(yōu)化選擇的值，可以通過一個驗證文檔集來進行調(diào)整。
KNN算法足向量空間模型下最好的分類算法之一，優(yōu)點是易于快速實現(xiàn)，在基于統(tǒng)計
的模式識別中非常有效，有較好的分類準(zhǔn)確性和穩(wěn)定性，尤其對于未知和非正態(tài)分布可以取得較高的分類準(zhǔn)確率。KNN可以較好地避免樣本的不平衡問題，對于類域的交叉或重疊較多的待分樣本集和樣本容量較大的類域的分類較為適合，并且，它對訓(xùn)練數(shù)據(jù)中的噪聲有很好的健壯性，當(dāng)給定足夠大的訓(xùn)練集合時也非常有效。總體來說KNN優(yōu)于貝葉斯、決策樹。然而作為一種懶散的學(xué)習(xí)算法，它也存在一些限制：一是空間開銷大。因為要事先存儲全部訓(xùn)練樣例，當(dāng)訓(xùn)練樣例增大時存儲空間也隨之增大。二是計算相似度時，實例間的距離是根據(jù)實例的所有屬性來計算的，這與那些只選擇全部實例屬性的一個子集的方法不同，例如決策樹。有些屬性與分類相關(guān)性不大或無關(guān)時，可能會誤導(dǎo)近鄰算法的分類，近鄰間的距離會被大量的不相關(guān)屬性所支配。這種由于存在很多不相關(guān)屬性所導(dǎo)致的難題，有時被稱為唯度災(zāi)難[9]。最近鄰方法對這個問題特別敏感。解決的方法一般有兩種，一是在計算兩個實例間的距離時對每個屬性加權(quán)，二是從實例空間中完全消除最不相關(guān)的屬性。
3.4 基于中心向量法的文本分類
還有一類分類速度較快的基于向量空間模型的文本分類算法是基于中心向量的分類法，又稱為Rocchio算法[10]。中心向量法最初用于信息檢索，現(xiàn)在已經(jīng)被廣泛應(yīng)用于文本分類。中心向量法的基本思想是通過對訓(xùn)練集進行訓(xùn)練得到每一個已知類別的中心，稱之為類中心向量，分類過程中將待分類文檔與已知的類中心向量進行相似度比較，判定規(guī)則為相似度最大的類中心向量所代表的類別為待分類文檔的類別。假設(shè)令C= Ci mi=1表示訓(xùn)練集包含的m個類，則基于中心向量的文本分類過程為：
�、� 對每一個類Ci，計算該類中所有文檔向量的算術(shù)平均作為該類的類中心向量V Ci ； ⑵ 對于一個待分類文檔d，計算d與所有類中心向量V Ci 的相似度Sim d,V Ci 并且返回相似度最大的類別最為結(jié)果。這里相似度的計算同3.3中步驟(2)的相似度激素那方法相同。中心向量法適合于訓(xùn)練集中各類別大小相對均衡，且同類別文檔分布稠密的情況，此時分類效果較好，但當(dāng)訓(xùn)練集中各類別間大小不均衡且同類別文檔分布稀疏時，分類效果較差。
3.5 基于支持向量機的文本分類
支持向量機(Support Vector Machines, SVM)是由Vapnik與其領(lǐng)導(dǎo)的貝爾實驗室研究小組在1995年據(jù)統(tǒng)計學(xué)理論提出的一種用于解決二分類模式識別問題的學(xué)習(xí)方法。Joachims是最早將SVM方法用于文本分類中的，并且取得非常理想的分類效果。SVM方法將文本分類問題變成了一系列二分類問題。SVM算法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，它將降維和分類結(jié)合在一起，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，這里模型的復(fù)雜性代表對特定訓(xùn)練樣本的學(xué)習(xí)精度，而學(xué)習(xí)能力代表無錯誤的識別任意樣本的能力。支持向量機算法的目的在于尋找一個超平面H，該超平面可以將訓(xùn)練集中的數(shù)據(jù)分開，且與類別邊界的沿垂直于該超平面方向的距離最大，故SVM法也被稱為最大邊緣算法。樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類結(jié)果沒有影響，這樣只用各類別邊界樣本的類別來決定分類結(jié)果的做法，具有較強的適應(yīng)能力和較高的準(zhǔn)確率。
總結(jié)起來，SVM算法的分類思想是從訓(xùn)練樣本中尋找能夠確定一個最優(yōu)超平面的支持向量。假設(shè)有大小為m的訓(xùn)練樣本集 x1,y1 , x2,y2 ,… xn,yn ，如果它是一個二分類任務(wù)，則分類標(biāo)識為yi=±1 (i=1,2,3,…,m)，那么任務(wù)的決策函數(shù)可用下式表示：
f x =sin w?x+b
篇四：機器學(xué)習(xí)理論與方法
機器學(xué)習(xí)理論與方法 實驗報告
實驗項目：基于Hopfield Network 模型的數(shù)字識別 實驗者： 彭江軍 學(xué)號： 2011114093 專業(yè)： 信息與計算科學(xué) 指導(dǎo)教師： 張瑞
一：程序前期準(zhǔn)備與思路
(1) 先對圖中給的8個已知的pattern圖像數(shù)字化成矩陣，對于待處理的圖像也處理為矩陣，導(dǎo)入excel表。
(2) 由權(quán)重的計算公式，編寫程序得到權(quán)重矩陣。
(3) 選擇相應(yīng)的激活函數(shù)，這里我們選擇bi-polar binary 函數(shù)。不斷更新，使其能量不斷下降，最終趨于穩(wěn)定。
二：程序代碼
1.得到權(quán)重的程序
% 讀取數(shù)據(jù)
A=xlsread('0.xls',1);
B=xlsread('1.xls',1);
C=xlsread('2.xls',1);
D=xlsread('3.xls',1);
E=xlsread('4.xls',1);
F=xlsread('6.xls',1);
G=xlsread('u.xls',1);
H=xlsread('9.xls',1);
% 將矩陣依次處理為向量，以便求
法用for來做
A1=A(1,:);
for i=2:12
A1=vpa([A1 A(i,:)]);
end
B1=B(1,:);
for i=2:12
B1=vpa([B1 B(i,:)]);
end
C1=C(1,:);
for i=2:12
C1=vpa([C1 C(i,:)]);
end
D1=D(1,:);
for i=2:12
D1=vpa([D1 D(i,:)]);
end
E1=E(1,:);
for i=2:12
E1=vpa([E1 E(i,:)]);
end
F1=F(1,:);
for i=2:12
F1=vpa([F1 F(i,:)]); weight，由于是A,B等編號，故這一步無
end
G1=G(1,:);
for i=2:12
G1=vpa([G1 G(i,:)]);
end
H1=H(1,:);
for i=2:12
H1=vpa([H1 H(i,:)]);
end
% 求weight公式
I=eye(120);
W=(A1'*A1+B1'*B1+C1'*C1+D1'*D1+E1'*E1+F1'*F1+G1'*G1+H1'*H1)/120-8/120*I;
W=double(W);
xlswrite('w.xls',W)
2.更新程序
編寫腳本文件
function HPML(x0,weight,n)
%% x0為需要識別的數(shù)字矩陣
% weight 為經(jīng)過學(xué)習(xí)得到的權(quán)重
% n為需要迭代的次數(shù)
O=weight*x0;
[r,c]=size(O);
% 迭代更新矩陣
for k=1:n-1
for i=1:r
for j=1:c
if(O(i,j)>=0)
O(i,j)=1;
else
O(i,j)=-1;
end
end
end
O=weight*O;
end
% 對于跳出循環(huán)的矩陣規(guī)范化
for i=1:r
for j=1:c
if(O(i,j)>=0)
O(i,j)=1;
else
O(i,j)=-1;
end
end
end
%將生成的向量以行序為主轉(zhuǎn)化為矩陣，因為reshape函數(shù)以列序為主，故未采用
M=zeros(12,10);
for i=1:12
M(i,:)=O(10*(i-1)+1:10*i);
end
imshow(M,[-1,1])
title(strcat('iteration times:',num2str(n)));
3.調(diào)用函數(shù)
x0=xlsread('i.xls',1)；
weight=xlsread('w.xls',1);
X=zeros(12,10);
for i=1:12
X(i,:)=x0(10*(i-1)+1:10*i);
end
subplot(1,3,1);
imshow(X,[-1,1]);
title('previous image');
n=1;
subplot(1,3,2);
HPML(x0,weight,n)
subplot(1,3,3);
n=2;
HPML(x0,weight,n)
三：程序結(jié)果
篇五：基于機器學(xué)習(xí)的數(shù)字音頻分類方法研究
基于機器學(xué)習(xí)的數(shù)字音頻分類方法研究
摘要：
讓計算機能聽懂人類的語言，是人類自計算機誕生以來夢寐以求的想法。隨著經(jīng)濟的發(fā)展，人們越來越迫切要求擺脫鍵盤的束縛而代之以語音輸入這樣便于使用的、自然的、人性化的輸入方式。這就使語音信號分析成為社會生活中越來越重要的一部分。其中語音識別是語音信號分析的重要領(lǐng)域，而語音特征信號識別又是語音識別研究領(lǐng)域的一個重要方面。
語音特征信號識別一般采用模式匹配的方法解。首先通過預(yù)處理提取語音特征，作為該語音片段的模型。將該模型與已知的參考模型相比較，獲得最佳匹配的參考模式作為識別結(jié)果，在論文中研究的是基于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的音頻分類與SVM技術(shù)音頻分類的仿真實驗結(jié)果進行比較，對比兩者各自優(yōu)缺點，從而熟悉這兩種技術(shù)的基本工作原理和算法。通過實驗對其性能進行了主觀評價和客觀數(shù)據(jù)分析，對于所選語音信號BP網(wǎng)絡(luò)具有較快的訓(xùn)練速度，但是SVM技術(shù)具有較高的識別率。BP網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測、分類或聚類做的比較好的權(quán)值保存。
關(guān)鍵詞：語音識別，特征提取，梅爾倒譜系數(shù)，BP網(wǎng)絡(luò)，SVM（支持向量機）
Research on digital audio classification base on
machine-learning
Abstract:
Since the birth of the computer people want to let the computer can understand human's language .People are becoming more and more urgent to get rid of keyboard and replace it by voice input that is personalized、convenient and natural to be used .So that Analysis of speech signal become a more and more important part in social life.The speech recognition is an important part of Analysis of speech signal ,and the voice signal recognition is one of the most important aspects of speech recognition .
Speech feature signals recognition use to use pattern matching method.Firstly, through pretreatment of phonetic feature extraction make as the model.The model is compared with known reference model, get the best matches the reference pattern as a result of recognition. In this paper research is based on the traditional BP neural network audio classification and technology of Support vector machine audio classification the experimental results were compared to find each of advantages and disadvantages, so to understand with the two technical basic principle and algorithm. Through the experiments on the performance of the subjective evaluation and objective data analysis, for selected speech signal BP network has faster training speed, but the SVM technology has higher recognition rate. BP network learning and memory have instability. That is to say that if the increase of learning samples, the trained network is needed to start training, for the previous weights and thresholds is no memory. But it can keep these better weight that do well in predict, classification or clustering.
KEY WORDS：Speech recognition feature extraction Mel frequency cepstrum coefficient BP networks SVM ( support vector machine )
目錄
第一章 緒論 ..................................................................................................................................... 4
1.1 語音信號處理發(fā)展前景 .................................................................................................. 4
1.2 語音識別技術(shù)概述 .......................................................................................................... 4
1.2.1 語音識別技術(shù)的發(fā)展歷史回顧 ........................................................................... 5
1.2.2 音頻識別系統(tǒng)的基本原理 ................................................................................... 5
1.2.3 語音識別的意義 ................................................................................................... 6
1.3 項目的主要研究內(nèi)容 ...................................................................................................... 6
1.4本文的主要章節(jié)安排 ......................................................................................................... 6
第二章 信號的預(yù)處理 ..................................................................................................................... 7
2.1 信號的預(yù)加重 .................................................................................................................... 7
2.2音頻信號的加窗分幀 ......................................................................................................... 8
2.3音頻信號的端點檢測 ......................................................................................................... 9
2.3.1 音頻信號的短時能量分析 ................................................................................... 9
2.3.2 音頻信號的短時過零率分析 ............................................................................. 10
2.3.3 基于短時平均能量和短時平均過零率的雙門限端點檢測 ............................. 11
第三章 音頻信號的特征矢量提取 ............................................................................................... 12
3.1 信號的倒譜分析 ............................................................................................................ 12
3.2 梅爾倒譜參數(shù) ................................................................................................................ 13
第四章 基于BP神經(jīng)網(wǎng)絡(luò)的音頻信號數(shù)據(jù)分類 ...................................................................... 18
4.1BP神經(jīng)網(wǎng)絡(luò)概述 .............................................................................................................. 18
4.1.1 BP神經(jīng)網(wǎng)絡(luò) ............................................................................................................... 18
4.1.2 語音特征信號分類 ............................................................................................. 19
4.2BP 網(wǎng)絡(luò)的MATLAB實現(xiàn) ............................................................................................... 20
4.2.1 歸一化方法及MATLAB實現(xiàn) .......................................................................... 20
4.2.2 數(shù)據(jù)選擇選擇和歸一化 ..................................................................................... 20
4.2.4 仿真結(jié)果分析 ..................................................................................................... 21
第五章利用SVM建立分類器來對語音特征信號進行分類預(yù)測 .............................................. 24
5.1svm技術(shù)簡述 .................................................................................................................... 24
5.1.1 SVM的原理和優(yōu)點 .............................................................................................. 24
5.1.2SVM技術(shù)在本案例中的應(yīng)用 ............................................................................... 25
5.1.3實驗的仿真結(jié)果與分析 ........................................................................................ 25
第六章 總結(jié)與展望 ....................................................................................................................... 28
致 謝 .............................................................................................................................................. 29
畢業(yè)設(shè)計小結(jié) ................................................................................................................................. 30
參考文獻......................................................................................................................................... 31
附錄 ................................................................................................................................................ 32
附錄1：相關(guān)文獻的翻譯 ...................................................................................................... 32
第一章 緒論
通過語音傳遞信息是人類最重要、最有效、最常用和方便的交換信息的形式。語音是人類特有的功能，聲音是人類最常用的工具，是相互傳遞信息的最主要的手段。因此，語音信號是人們構(gòu)成思想溝通和感情交流的途徑。
1.1 語音信號處理發(fā)展前景
讓計算機能聽懂人類的語言，是人類自計算機誕生以來夢寐以求的想法。隨著計算機越來越向便攜化方向發(fā)展，以及計算環(huán)境的日趨復(fù)雜化，人們越來越迫切要求擺脫鍵盤的束縛而代之以語音輸入這樣便于使用的、自然的、人性化的輸入方式。尤其是漢語，它的漢字輸入一直是計算機應(yīng)用普及的障礙，因此利用漢語語音進行人機交換是一個極其重要的研究課題。作為高科技應(yīng)用領(lǐng)域的研究熱點，語音信號處理技術(shù)從理論的研究到產(chǎn)品的開發(fā)已經(jīng)走過了幾十個春秋平且取得了長足的進步。它正在直接與辦公、交通、金融、公安、商業(yè)、旅游的行業(yè)的語音咨詢與管理，工業(yè)生產(chǎn)部門的語音控制，電話-電信系統(tǒng)的自動撥號、輔助控制與查詢以及醫(yī)療衛(wèi)生和福利事業(yè)的生活志愿系統(tǒng)等各種實際應(yīng)用領(lǐng)域相接軌，并且有望成為下一代操作系統(tǒng)和應(yīng)用程序的用戶界面�？梢�，語音信號處理技術(shù)的研究將是一項極具市場價值和挑戰(zhàn)性的生活。我們今天進行這一領(lǐng)域的研究與開拓就是要讓語音信號處理技術(shù)走入人們的日常生活當(dāng)中，并不斷朝向更高目標(biāo)而努力。
語音信號處理這門學(xué)科之所以能夠長期地、深深地吸引廣大科學(xué)工作者不斷地對其進行研究和探討，除了它的實用性之外，另一個重要原因是，它始終與當(dāng)時信息科學(xué)中最活躍的前沿學(xué)科保持密切的聯(lián)系，并且一起發(fā)展。語音信號處理是以語音語言學(xué)和數(shù)字信號處理為基礎(chǔ)而形成的一門涉及面很廣的綜合性學(xué)科都有著非常密切的關(guān)系。對語音信號處理的研究一直是數(shù)字信號處理技術(shù)發(fā)展的重要推動力量。因為許多的處理的新方法的提出，首先是在語音處理中獲得成功，然后在推廣到其他領(lǐng)域的[2]。
1.2 語音識別技術(shù)概述
語音識別是指機器對人類說話的語句或命令進行識別和理解并做出相應(yīng)的反應(yīng)。它是涉及語言學(xué)、計算機科學(xué)、生理學(xué)等諸多領(lǐng)域的一門交叉學(xué)科。隨著計算機軟硬件和信息技術(shù)的飛速發(fā)展，以語音識別技術(shù)開發(fā)出的產(chǎn)品也廣泛地應(yīng)用于聲控電話交換、信息網(wǎng)絡(luò)查詢、醫(yī)療服務(wù)、銀行服務(wù)、工業(yè)控制等社會和人們生活的每個方面。
1.2.1 語音識別技術(shù)的發(fā)展歷史回顧
對語音識別技術(shù)的研究距今已有半個多世紀(jì)的歷史。1952 年，AT&Tbell 實驗室的Davis 等人成功研制的Audry 系統(tǒng)標(biāo)志著語音識別研究工作的開始。它是世界上第一個能識別十個英文數(shù)字發(fā)音的實驗系統(tǒng)。進入20 世紀(jì)60 年代，計算機的應(yīng)用推動了語音識別的發(fā)展。在這一時期產(chǎn)生了動態(tài)規(guī)劃(DP,Dynamic Programming) 和線性預(yù)測分析技術(shù)(LP,Linear Prediction)兩大重要理論，較好地解決了語音信號產(chǎn)生模型的問題，對語音識別的發(fā)展產(chǎn)生了深遠影響。70 年代，語音識別領(lǐng)域取得了較大的突破。動態(tài)時間歸正技術(shù)(DTW)基本成熟，有效地解決了語音信號特征提取和不等長語音匹配問題，同時還提出了矢量量化(VQ)，隱馬爾可夫模型(HMM)理論。80 年代語音識別研究進一步走向深入，各種連接詞語音識別算法被開發(fā)，并從模板匹配技術(shù)轉(zhuǎn)向基于統(tǒng)計模型技術(shù)，特別是在實踐開發(fā)中成功應(yīng)用了HMM 模型和人工神經(jīng)網(wǎng)絡(luò)（ANN）。1988 年Kai-FuLee 等用VQ/HMM 方法實現(xiàn)了997 個詞匯的非特定人連續(xù)語音識別系統(tǒng)SPHINX，這是世界上第一個高性能的非特定人、大詞匯量、連續(xù)語音識別系統(tǒng)。進入90 年代后,語音識別技術(shù)開始向市場提供產(chǎn)品。具代表性的是IBM 的Via Voice 和Dragon 公司的Dragon Dictate系統(tǒng)，這些語音識別系統(tǒng)具有說話人自適應(yīng)能力，新用戶不需要對全部詞匯進行訓(xùn)練便可在使用中不斷提高識別率。進入21 世紀(jì)，語音識別的研究重點包括即興口語的識別和理解，自然口語對話，以及多語種的語音同聲翻譯。而基于語音識別芯片的嵌入式產(chǎn)品也越來越多， 如Infineon 公司的Unispeech 和Unilite 語音芯片等。我國對語音識別的研究也較早。20 世紀(jì)50 年代后期，中科院聲學(xué)所用頻譜分析的方法研究了漢語10 個元音的語音識別；20 世紀(jì)70 年代后期，構(gòu)建了基于模板匹配的孤立詞語音識別系統(tǒng)；20 世紀(jì)80 年代后期，研究了八五期間中科院人機語音對話研究項目。目前我國語音識別技術(shù)的研究水平已經(jīng)基本上與國際相當(dāng)。如以中國科學(xué)院自動化研究所模式識別國家重點實驗室為依托的中科模識，其漢語連續(xù)語音、非特定人聽寫機系統(tǒng)的普通話系統(tǒng)的錯誤率可以控制在10%以內(nèi)。
1.2.2 音頻識別系統(tǒng)的基本原理
語音識別屬于模式識別的范疇。根據(jù)模式識別的原理，未知語音的模式與己知語音的參考模式逐一進行比較，最佳匹配的參考模式被作為識別結(jié)果。語音識別系統(tǒng)的工作過程可以描述如下：待識別語音經(jīng)過話筒變換成電信號后加在識別系統(tǒng)的輸入端，首先經(jīng)過預(yù)處理，包括反混疊失真濾波、預(yù)加重和端點檢測從而將語音信號的特征被提取出來。常用的特征包括：短時平均能量或幅度、短時平均過零率、短時自相關(guān)函數(shù)、線性預(yù)測系數(shù)、倒譜、共振峰等。根據(jù)實際需要選擇語音特征參數(shù)，這些特征參數(shù)的時間序列便構(gòu)成了待識別語音的模式，將其與己經(jīng)存儲在計算機內(nèi)的參考模式逐一進行比較，獲得最佳匹配的參考模式便是識別結(jié)果。參考模式是在系統(tǒng)使用前獲得并存儲起來的，為此，要輸入一系列已知語音信號，提取它們的特征作為參考模式，這一過程稱為訓(xùn)練過程。
【淺談機器的學(xué)習(xí)方法】相關(guān)文章：
淺談韓語的學(xué)習(xí)方法09-12
淺談韓語學(xué)習(xí)方法09-10
淺談韓語語音的學(xué)習(xí)方法09-10
淺談機器人技術(shù)的創(chuàng)新教育10-16
淺談工業(yè)機器人在物流行業(yè)的應(yīng)用論文07-28
淺談機器人學(xué)與康復(fù)醫(yī)學(xué)相結(jié)合的康復(fù)機構(gòu)設(shè)計10-13
淺談七年級語文閱讀教學(xué)的學(xué)習(xí)方法09-18
機器維修的合同范本10-23